Cet article a été compilé et organisé par BlockWeeks
Six informaticiens de l'Université Yale ont proposé un protocole appelé Maverick, dans le but de permettre aux modèles d'IA open source de fonctionner principalement sur « la machine de quelqu'un d'autre » sans exposer l'entrée brute de l'utilisateur à cette machine. Par conception, le téléphone de l'utilisateur ou un autre appareil à faible puissance de calcul externalise le calcul lourd vers un serveur externe ; le serveur ne reçoit qu'une copie brouillée de l'entrée, et l'appareil vérifie ensuite le résultat après son retour.
L'article associé a été mis en ligne sur arXiv le 9 septembre 2026. Il s'agit encore d'une prépublication qui n'a pas encore été acceptée par une conférence ou une revue, et l'article n'inclut pas de lien vers le code.
Problème central : comment faire confiance à une machine que vous ne contrôlez pas
Vérifier si une machine que vous ne pouvez pas contrôler a honnêtement effectué un calcul est exactement le problème que les systèmes de preuve à divulgation nulle de connaissance et certains réseaux de calcul décentralisés cherchent depuis longtemps à résoudre. L'objectif supplémentaire de Maverick est de vérifier le résultat tout en empêchant le serveur de voir l'entrée de l'utilisateur.
L'article souligne que le système d'apprentissage automatique à divulgation nulle de connaissance DeepProve peut vérifier les résultats de calcul mais expose l'entrée au serveur. Maverick tente d'atteindre simultanément la « vérifiabilité » et la « confidentialité de l'entrée ».
L'un des auteurs de l'article, le professeur adjoint Fan Zhang, et le doctorant Wenhao Wang indiquent l'Initiative for Cryptocurrencies and Contracts (IC3) comme leur affiliation, et une partie des recherches de Wenhao Wang est financée par IC3.
Concernant les marchés blockchain qui vendent des services d'inférence d'IA, l'animateur Kain Warwick a décrit ce mois-ci la difficulté de faire confiance aux machines d'autrui dans une émission : « Des gens vous vendent des services d'inférence, mais vous ne savez pas vraiment d'où cela vient. »
Comment fonctionne Maverick : masquer d'abord, puis vérifier par sondage
Le flux de base de Maverick est le suivant : l'appareil de l'utilisateur masque l'entrée avec une couche de masquage apparemment aléatoire, puis envoie la majeure partie du calcul mathématique du modèle au serveur ; le serveur effectue le calcul sans connaître l'entrée d'origine, et après avoir renvoyé le résultat, l'appareil de l'utilisateur retire le masque et récupère la réponse.
Pour empêcher le serveur de bâcler le travail ou d'agir de manière malveillante, l'appareil ne réexécute pas l'intégralité du calcul ; il exécute plutôt un test aléatoire rapide pour vérifier par sondage le résultat renvoyé par le serveur.
L'auteur de l'article, Charalampos Papamanthou, n'indique que l'Université Yale dans l'article, mais selon sa page personnelle à Yale, il occupe également le poste de scientifique en chef chez Lagrange Labs. Lagrange construit des systèmes de preuve à divulgation nulle de connaissance, notamment DeepProve, et Papamanthou est également coauteur de l'article sur DeepProve.
Données de performance : l'accélération de 45 fois a des préconditions strictes
Dans les tests de bout en bout de l'article, la plus grande amélioration de performance est apparue lorsque l'appareil de l'utilisateur préparait le masque à l'avance : la vitesse de traitement des jetons du prompt a atteint jusqu'à 45 fois celle de l'exécution du modèle localement sur l'appareil lui-même. Si le masque est construit à la volée pendant l'exécution, l'accélération maximale tombe à 17 fois.
Ces chiffres proviennent de conditions de test spécifiques : l'appareil de l'utilisateur n'utilise qu'un seul thread de traitement, le serveur est un CPU et est autorisé à utiliser jusqu'à 128 threads, la longueur du prompt est de 8 jetons, et la latence du réseau n'est pas incluse.
Un autre test a chronométré une courte requête sur un réseau simulé, l'appareil utilisant deux threads et le serveur 64 threads. À 50 millisecondes de latence aller-retour, le temps jusqu'à la première sortie sous les deux modes de confidentialité n'était respectivement que de 1,42 fois et 1,46 fois celui de l'exécution locale ; lorsque la latence aller-retour est passée à 100 millisecondes, les deux modes étaient plus lents que l'exécution locale.
Les tests n'ont utilisé qu'un seul modèle, Qwen3-4B.
Goulot d'étranglement clé : le stockage côté client
Les auteurs qualifient l'exigence de stockage côté client de Maverick de « goulot d'étranglement clé de notre méthode ». Cela signifie que, bien que le protocole transfère la pression de calcul au serveur, l'appareil de l'utilisateur doit encore supporter une surcharge de stockage non négligeable, ce qui peut limiter son déploiement pratique sur des appareils tels que les téléphones d'entrée de gamme.
En termes de positionnement, Maverick cherche à pénétrer une intersection porteuse : l'externalisation de l'inférence IA, la protection de la vie privée et le calcul vérifiable. Sa capacité à passer d'une prépublication à un système déployable dépend encore de l'implémentation du code, des tests avec des modèles plus grands et de la possibilité de compresser davantage les surcoûts côté client.






